Medsci MCP 生物医学多域后端

关键词

模型上下文本地推理生物信息工具JSON-RPCOllama

使用说明（简要版本，适合快速上手阅读）

  • 项目简介

    • 该仓库实现了基于 MCP 的多域后端服务端（后端服务器），通过统一的 MCP 服务框架暴露域内的“资源/工具/提示”能力，供 LLM 客户端通过 JSON-RPC 式调用进行资源读取、工具执行和提示模板渲染等交互。核心组件使用 Bun + TypeScript，集成 Ollama 本地模型、Python 侧车以及 OpenCode 等本地化执行环境，确保数据在本地处理并提供可扩展的上下文服务。

  • 主要功能点

    • 多域 MCP 服务器集合：药物分析、蛋白分析、组学/单细胞分析、文献检索与分析、医学影像、沙盒执行、PaperQA 深度分析等子服务器。
    • 资源和工具管理：通过统一的 MCP Server 注册工具，提供标准化的数据读取、计算分析与外部接口访问能力。
    • 本地推理与侧车整合：使用 Ollama 进行本地推理、Python 侧车管理科学计算库，确保本地化、可控的数据处理流程。
    • 安全与审计：OpenCode 策略、guardrails、白名单策略等，提供对工具调用的控制与日志记录。
    • 可扩展性：新增域服务器仅需实现 Tool 定义并通过 createMcpServer 注册即可加入 MCP 网络。

  • 安装步骤

    1. 安装运行环境与依赖
      • Bun 18.x+（或合适的 Bun 版本）
      • Ollama（本地大模型服务）
      • OpenCode（用于 LLM 任务编排和 Slash Commands）
      • Docker / 沙盒等组件（部分服务器依赖）
    2. 克隆并安装依赖
      • 使用 bun 安装项目依赖，按各子模块需要的工具栈安装对应的 Python 环境与模型模组。
    3. 启动本地 MCP 服务器
      • 每个子服务器在启动时通过核心的 createMcpServer 启动，默认走 stdio 传输。你只需在客户端配置中指明要连接的 MCP 服务器名称和启动命令即可。
    4. 验证与测试
      • 运行仓库提供的测试用例，确保本地侧车、Ollama、以及各工具的集成工作正常。

  • 服务器配置（给 MCP 客户端的连接信息示例） 说明：MCP 客户端需要的配置信息通常包括服务器名称、启动命令与参数等。以下示例仅用于理解如何在客户端侧配置对应的服务器启动信息；实际使用请结合你本地的运行环境与 OpenCode 配置进行填充。

    • 服务器药物分析（medsci-drug）

      • server_name: medsci-drug
      • command: bun
      • args: ["run", "packages/server-drug/src/index.ts"] 注释：启动后该服务器将注册工具集（如 analyze_molecule、lipinski_filter、similarity_search、predict_admet、search_chembl 等），并通过 MCP 的 stdio 传输对外提供 JSON-RPC 请求。

    • 服务器蛋白分析（medsci-protein）

      • server_name: medsci-protein
      • command: bun
      • args: ["run", "packages/server-protein/src/index.ts"]

    • 服务器组学/Omics（medsci-omics）

      • server_name: medsci-omics
      • command: bun
      • args: ["run", "packages/server-omics/src/index.ts"]

    • 服务器文献/获取与综合（medsci-literature）

      • server_name: medsci-literature
      • command: bun
      • args: ["run", "packages/server-literature/src/index.ts"]

    • 服务器 PaperQA 深度分析（server-paperqa）

      • server_name: server-paperqa
      • command: bun
      • args: ["run", "packages/server-paperqa/src/index.ts"]

    • 服务器沙盒执行（medsci-sandbox）

      • server_name: medsci-sandbox
      • command: bun
      • args: ["run", "packages/server-sandbox/src/index.ts"]

    • 服务器医学成像分析（medsci-imaging）

      • server_name: medsci-imaging
      • command: bun
      • args: ["run", "packages/server-imaging/src/index.ts"]

    • 服务器 acquisition（medsci-acquisition）

      • server_name: medsci-acquisition
      • command: bun
      • args: ["run", "packages/server-acquisition/src/index.ts"]

    说明：

    • 以上是基于仓库现有的各子服务器入口的启动信息示例。实际部署中请结合你的工作流，将 server_name、command、args 与本地环境变量（如 Ollama URL、模型、Python 路径等）对齐。

  • 基本使用方法

    1. 启动本地 MCP 服务端集合（每个子服务器独立启动）
    2. 配置你的 OpenCode/OpenAI 等 LLM 客户端，通过 MCP 客户端接口调用对应服务器中的工具和资源
    3. 通过 MCP 的标准 JSON-RPC 协议向服务器发送请求，服务器返回 JSON-RPC 响应，完成多领域的上下文服务
    4. 如遇异常，参考 guardrails 与错误映射，定位模型、侧车或网络层问题

  • 运行与扩展性要点

    • 已集成多域工具库，便于扩展新领域工具，遵循 defineTool 模板即可注册新的 MCP 工具
    • 侧车与本地模型均在本地运行，确保数据不离开本地环境
    • 安全策略、预检、速率限制等在 opencode.json、guardrails、policy 等处实现，帮助你在生产环境中保持稳健性

服务器信息

访问项目